追問daily | 勵志短視頻與冥想效果相當；賭博直播如何讓人越看越想賭；少量惡意文檔即可投毒大型語言模型

█腦科學動態

大腦如何分辨香臭？愉悅與厭惡感來自獨立神經回路

三分之二慢性疼痛患者通過“美食療法”尋求慰藉

勵志短視頻與冥想在緩解壓力上效果相當

沉浸式VR模擬迷幻物質效果，提升認知靈活性

越來越多的證據表明腸道微生物影響心理健康

越看越想賭：賭博直播如何成為抑制與催生賭癮的矛盾體

新一代腦成像技術如何“點亮”意識的神經基礎？

意識之源：計算模型顯示感覺與額葉理論均有證據支持

█AI行業動態

Meta 10億參數模型 TRIBE 斬獲大腦建模競賽冠軍

百時美施貴寶15億美元收購體內CAR-T先驅Orbital Therapeutics

█AI驅動科學

Nature：終結摩爾定律焦慮？全球首款二維-硅基混合芯片問世

Dragon Hatchling：連接 Transformer 與大腦模型的類腦 AI 架構

250個“毒蘋果”就夠了：少量惡意文檔即可“投毒”大型語言模型

AI健康模型在少數族裔中性能或下降40%

腦機接口結合機器人步態訓練，有望改善脊髓損傷患者膀胱功能

分層注意力深度學習模型大幅提升腦機接口運動想象分類精度

微創植入高密度電極陣列，實現精準神經解碼與刺激

LLM推理成本告別二次方增長：馬爾可夫思考機實現線性擴展

腦科學動態

大腦如何分辨香臭？愉悅與厭惡感來自獨立神經回路

大腦如何區分氣味的香臭？日本理化學研究所（RIKEN）腦科學中心的 Hokto Kazama 團隊利用果蠅模型，解答了這一基本問題。他們發現，愉悅和厭惡氣味由大腦中兩套完全獨立且結構不同的神經回路進行處理，顛覆了“好”與“壞”是簡單對立的傳統認知。

?光遺傳學標記的側角神經元（綠色）位于大腦神經元海（洋紅色）中。Credit: RIKEN

研究團隊首先綜合運用了雙光子顯微鏡與光遺傳學技術，以前所未有的分辨率記錄了果蠅大腦高級嗅覺中心——側角（lateral horn）內幾乎所有神經元的活動。基于這些數據和完整的大腦神經元連接圖譜，他們構建了一個能夠精確模擬神經活動的計算模型。模型和實驗結果共同揭示，側角是評估氣味好惡的關鍵區域。最令人意外的發現是，大腦處理愉悅和厭惡氣味的方式并非簡單的“一體兩面”。相反，它們由兩套相互隔離且連接方式迥異的子回路負責。厭惡氣味的感知依賴于一套相對直接的前饋興奮回路，而愉悅氣味的感知則需要一個更復雜的回路，其中包含了額外的局部抑制信號。這意味著，在神經層面，“愉悅”不僅僅是“厭惡”的缺失。為了驗證這一結論，研究人員通過光遺傳學手段精準地“關閉”了處理愉悅氣味的局部抑制回路，結果發現，果蠅果然開始躲避一種它們原本喜愛的氣味，這有力地證實了模型的預測。研究發表在 Cell 上。

閱讀更多：

Someya, Makoto, et al. “Distinct Circuit Motifs Evaluate Opposing Innate Values of Odors.” Cell, vol. 0, no. 0, Sept. 2025. www.cell.com, https://doi.org/10.1016/j.cell.2025.08.032

三分之二慢性疼痛患者通過“美食療法”尋求慰藉

慢性疼痛患者為何傾向于用美食慰藉自己？悉尼科技大學的 Claudia Roche, Amy Burton 及 Toby Newton-John 團隊研究發現，超過三分之二的患者會通過進食應對疼痛，其首要動機是尋求愉悅體驗，而非單純為了分散注意力或麻痹情緒。

研究團隊對141名患有慢性疼痛（指持續三個月以上的疼痛）的成年人進行了一項在線問卷調查，以探究他們在疼痛發作時選擇安慰性進食（comfort eating）背后的心理動機。結果顯示，超過三分之二的受訪者會通過這種方式應對疼痛。出乎意料的是，最主要的原因并非逃避痛苦，而是主動追求積極感受——51.8%的人表示是為了“獲得一次愉悅的體驗”。其次才是“分散注意力”（49.6%）和“減輕情緒”（39%）。

這一發現揭示了安慰性進食在慢性疼痛管理中的復雜角色：它不僅是一種消極的應對機制，更是在充滿痛苦的生活中尋找片刻歡愉的策略。研究人員指出，高熱量食物本身也可能具有輕微的生物性鎮痛效果。然而，這種短暫的安慰是有代價的。研究中近40%的參與者達到肥胖標準，這凸顯了一個危險的惡性循環：通過食物緩解疼痛可能導致體重增加，而體重增加又會加劇關節壓力和炎癥，使疼痛惡化。因此，研究者呼吁未來的疼痛管理項目應整合飲食咨詢，幫助患者建立更健康的應對策略。研究發表在 Journal of Clinical Psychology in Medical Settings 上。

閱讀更多：

Roche, Claudia, et al. “Eating to Feel Better: The Role of Comfort Eating in Chronic Pain.” Journal of Clinical Psychology in Medical Settings, vol. 32, no. 3, Sept. 2025, pp. 460–67. Springer Link, https://doi.org/10.1007/s10880-025-10064-6

勵志短視頻與冥想在緩解壓力上效果相當

面對日益普遍的社會壓力，人們是否能找到比冥想更便捷的放松方式？加州大學圣巴巴拉分校的 Robin Nabi 及其同事，通過一項對千余名成年人的實驗研究發現，每天觀看幾分鐘精心挑選的勵志短視頻，在減輕壓力方面的效果與引導式冥想相當，為“媒體處方”提供了新的科學證據。

在這項為期四周的縱向研究中，超過1000名美國成年人被隨機分配到五個不同的小組。在連續五天里，他們每天分別進行約五分鐘的活動：觀看勵志視頻、觀看喜劇片段、進行引導式冥想（guided meditation）、隨意刷手機，或不進行任何特定媒體活動的對照組。研究團隊通過問卷追蹤了他們在干預期間及之后長達兩周的壓力和情緒變化。結果顯示，勵志視頻組和冥想組的減壓效果顯著優于其他組，并且兩者效果不相上下。深入分析揭示了其背后的心理機制：這兩種活動都能顯著提升參與者的希望感，而正是這種希望感的增強，有效地降低了壓力水平。更重要的是，這種積極影響并非曇花一現，其減壓效果在干預結束后可持續長達10天。相比之下，雖然喜劇視頻能讓人發笑，但這種短暫的愉悅并未轉化為持久的壓力緩解。這項研究表明，有策略地選擇能激發希望的媒體內容，可以成為一種簡單、易行且有效的日常壓力管理工具。研究發表在 Psychology of Popular Media 上。

閱讀更多：

Nabi, Robin L., et al. “Media versus Meditation: A Comparison of the Stress-Relieving Benefits of Multiple Media Experiences.” Psychology of Popular Media [US], 2025. APA PsycNet, https://doi.org/10.1037/ppm0000623

沉浸式VR模擬迷幻物質效果，提升認知靈活性

如何安全地利用迷幻物質的治療潛力？來自意大利圣心天主教大學的 Giuseppe Riva, Giulia Brizzi, 和 Chiara Pupillo 團隊，通過結合虛擬現實與人工智能開發了一種名為 Cyberdelics 的數字替代方案，成功模擬了迷幻體驗并觀察到其對認知和情緒的積極影響。

?本研究采用了沉浸式體驗。底部面板展示了實驗條件（HVVE 條件）的屏幕截圖，頂部面板展示了用戶在對照條件（原版《秘密花園》）下看到的內容。 Credit: Dialogues in Clinical Neuroscience (2025).

該研究邀請了50名健康志愿者，讓他們分別沉浸在兩個10分鐘的VR環境中：一個標準版的放松視頻《秘密花園》，以及一個利用谷歌DeepDream算法處理后充滿迷幻視覺效果的“幻覺”版本。研究團隊在體驗前后系統評估了參與者的認知靈活性、情緒狀態及心率等生理指標。結果顯示，與觀看標準視頻相比，體驗了“幻覺”版VR的參與者，其認知靈活性和抑制控制得到了顯著增強。有趣的是，兩種VR體驗都能有效降低參與者的焦慮水平和心率，使他們進入一種“清醒放松”的狀態。這項研究證實，這種被稱為幻覺視覺虛擬體驗的數字工具，能夠安全地復制迷幻藥物的部分有益效果，為治療難治性抑郁癥、創傷后應激障礙等精神疾病開辟了全新的非藥物干預途徑。研究發表在 Dialogues in Clinical Neuroscience 上。

閱讀更多：

Brizzi, Giulia, et al. “Cyberdelics: Virtual Reality Hallucinations Modulate Cognitive-Affective Processes.” Dialogues in Clinical Neuroscience, vol. 27, no. 1, Dec. 2025, pp. 1–12. Taylor and Francis+NEJM, https://doi.org/10.1080/19585969.2025.2499459

越來越多的證據表明腸道微生物影響心理健康

精神健康障礙是全球性的健康危機，但現有療法對許多患者效果不佳。南澳大利亞大學的 Srinivas Kamath 和 Paul Joyce 等研究人員通過一篇綜述性文章，系統梳理了腸道微生物與大腦健康的聯系，提供了迄今最有力的證據，證明腸道變化可以直接影響大腦化學，為開發新型療法奠定了基礎。

?關于腸道菌群在心理健康中的作用，兩種相互競爭的觀點示意圖。Credit: Nature Mental Health (2025).

該研究系統地綜合了腸-腦軸領域的現有證據。研究人員發現，來自動物模型的證據具有很強的說服力，證實了腸道微生物的改變可以直接引起大腦化學、應激反應和行為的變化，這為因果關系提供了支持。在人類研究中，盡管主要是相關性證據，但也明確觀察到抑郁癥和精神分裂癥等疾病患者的腸道菌群模式存在顯著紊亂。

更令人鼓舞的是，一些新興的干預手段已在早期試驗中顯現潛力。例如，通過補充益生菌、調整飲食結構或進行糞便微生物群移植等方式來調節腸道菌群，能夠有效改善部分患者的情緒和焦慮癥狀。研究還發現，精神科藥物本身也會影響腸道微生物的組成，這揭示了腸道與大腦之間復雜的雙向互動關系。研究人員總結道，這些發現可能徹底改變我們診斷和治療精神疾病的方式，基于微生物組的療法有望成為一種安全、經濟且易于推廣的輔助治療新選擇。研究發表在 Nature Mental Health 上。

閱讀更多：

Kamath, Srinivas, et al. “Distinguishing the Causative, Correlative and Bidirectional Roles of the Gut Microbiota in Mental Health.” Nature Mental Health, vol. 3, no. 10, Oct. 2025, pp. 1137–51. www.nature.com, https://doi.org/10.1038/s44220-025-00498-0

越看越想賭：賭博直播如何成為抑制與催生賭癮的矛盾體

賭博直播為何能吸引大量年輕人，又隱藏著哪些風險？英國研究者 Chelsea Hughes, Jamie Torrance, Simon Dymond 和 Glen Dighton 對年輕觀眾進行了深入訪談。研究揭示了一個復雜的悖論：觀眾在直播中尋求社交聯系和替代性快感，但這種行為往往會激發更強烈的賭博沖動，帶來潛在傷害。

研究團隊對15名經常觀看賭博直播的英國年輕人進行了定性訪談。分析發現，賭博直播的吸引力遠超賭博本身。首先，觀眾通過與主播的互動，形成了強烈的類社會關系，在直播社區中找到了歸屬感，并從主播的高風險投注中獲得了替代性興奮（vicarious excitement）。其次，平臺的互動設計功不可沒，諸如“頻道積分”競猜等游戲化功能，將原本被動的觀看行為轉變為一種主動的、基于社區的參與，極大地增強了用戶忠誠度。然而，研究也揭示了其陰暗面，即“沖動與傷害悖論”。許多受訪者表示，他們觀看直播是為了“解癮”，試圖通過觀看別人賭博來抑制自己的沖動，但結果卻適得其反。直播中持續的賭博刺激和主播的推廣，反而加劇了他們的賭博欲望，導致實際賭博行為增加。受訪者也清醒地認識到主播們使用了具有欺騙性的營銷手段。研究發表在 Addiction Research & Theory 上。

閱讀更多：

Hughes, Chelsea, et al. “The Experiences and Engagement Patterns of Young Adults Who Regularly View Gambling Livestreams: A Qualitative Interview Study.” Addiction Research & Theory, vol. 0, no. 0, pp. 1–13. Taylor and Francis+NEJM, https://doi.org/10.1080/16066359.2025.2567270

新一代腦成像技術如何“點亮”意識的神經基礎？

意識的神經基礎長期停留在宏觀網絡層面，微觀的神經回路機制仍是未解之謎。Andrew R. Dykstra, Yunkai Zhu 等研究者發表了一篇觀點文章，系統闡述了如何利用前沿神經影像技術和計算模型，在人類中檢驗源于動物研究的核心意識回路理論，旨在連接微觀細胞活動與宏觀意識體驗。

該文聚焦于兩大前沿的意識回路理論：頂端放大理論（Apical Amplification Theory, AAT）與樹突整合理論（Dendritic Integration Theory, DIT）。這兩個理論均認為，大腦皮層第5b層錐體神經元（L5b pyramidal neurons）是意識形成的關鍵節點，其頂端的樹突結構負責接收來自高級腦區或丘腦的反饋信號，并以此“放大”或“整合”來自底層的感覺輸入，這一過程被認為是意識體驗產生的必要條件。

為了在人類中直接驗證這些微觀層面的假設，作者提出了一套整合性的研究框架。該框架的核心是結合多種先進技術：利用高精度腦磁圖以毫秒級精度追蹤皮層不同深度的神經電流；借助超高場功能磁共振成像以亞毫米級分辨率“看清”特定任務中皮層各層的活動變化；并利用生物物理建模搭建從微觀回路活動到宏觀腦信號的橋梁。通過這套組合拳，科學家們將能夠首次在人類被試中直接檢驗“頂端樹突的信號放大是否是意識產生的標志”這類具體的科學問題。作者指出，近期已有部分研究的發現與這些理論的預測相符。這個研究框架為意識科學從宏觀描述走向微觀機制驗證提供了清晰的路線圖。研究發表在 Trends in Cognitive Sciences 上。

閱讀更多：

“Testing Circuit-Level Theories of Consciousness in Humans.” Trends in Cognitive Sciences, Sept. 2025. www.sciencedirect.com, https://doi.org/10.1016/j.tics.2025.08.012

意識之源：計算模型顯示感覺與額葉理論均有證據支持

意識究竟產生于大腦的哪個部位？這一直是神經科學的核心謎題。為調和“感覺理論”與“額葉理論”的長久爭議，Kavindu H Bandara, Elise G Rowe, Marta I Garrido團隊另辟蹊徑，利用計算模型分析了無報告范式下的腦電數據，結果發現兩種理論或許并非相互排斥，PFC在意識中的作用可能比想象中更為精妙。

研究團隊重新分析了一項非注意盲視（inattentional blindness）實驗的腦電圖數據。該實驗巧妙地讓所有參與者觀看相同的視覺刺激，但只有部分人能意識到其中一閃而過的人臉，從而將純粹的“意識感知”與后續的“報告”行為在神經活動層面分離開。研究的核心技術是動態因果模型（Dynamic Causal Modelling，一種能夠推斷大腦不同區域間信息流向和影響強度的計算方法）。研究人員構建了兩個競爭模型來模擬大腦活動：一個代表感覺理論，強調意識源于后部感覺皮層內部的反饋回路（比如梭狀回面部區（fusiform face area）與初級視覺皮層之間的連接）；另一個代表額葉理論，認為前額葉皮層向感覺區域發送的反饋信號是意識產生的關鍵。

通過比較兩個模型對真實腦電數據的擬合優度，團隊發現，雖然兩個模型都能在很大程度上解釋意識產生時的神經活動，但額葉理論模型表現出微弱的優勢（53%的偏好度）。這意味著，當人意識到刺激時，從PFC到后部感覺區域的反饋連接對于完整解釋大腦的動態變化至關重要。這一結果表明，PFC的參與并非僅僅為了報告，而是在意識形成過程中扮演了一個微妙但不可或缺的角色，提示未來的意識理論需要整合這兩個看似對立的觀點。研究發表在 Neuroscience of Consciousness 上。

閱讀更多：

Bandara, Kavindu H., et al. “Computational Modelling Shows Evidence in Support of Both Sensory and Frontal Theories of Consciousness.” Neuroscience of Consciousness, vol. 2025, no. 1, Feb. 2025. academic.oup.com, https://doi.org/10.1093/nc/niaf033

AI 行業動態

Meta 10億參數模型 TRIBE 斬獲大腦建模競賽冠軍：突破認知碎片化研究范式

傳統的神經科學研究多采用“分而治之”的范式，傾向于聚焦特定的皮層區域及其關聯功能，例如專注于大腦 V5 區研究運動感知。這種研究方法雖提供了深刻見解，卻導致了學科知識的碎片化，阻礙了統一認知模型的發展。為解決這一難題，Meta FAIR 的 Brain & AI 團隊取得了重大突破。他們憑借研發的 10 億參數模型 TRIBE（Trimodal Brain Encoder，三模態大腦編碼器），在 Algonauts 2025 大腦建模競賽中脫穎而出，一舉奪冠。這一成果被視為多模態大腦建模技術邁入新紀元的標志，成功預測了由 Courtois NeuroMod 項目采集的大規模時空功能性磁共振成像數據。

TRIBE 是首個能預測跨模態、跨皮層區域及跨個體大腦反應的深度神經網絡。該模型采用端到端方式學習全腦多模態動態整合，兼容多受試者數據。具體而言，TRIBE 以受試者觀看的視頻片段、對應的音頻文件和文字腳本作為輸入，通過融合 Meta 旗下的 Llama 3.2（文本）、Wav2Vec2-BERT（音頻）和 V-JEPA 2（視頻）等多項基礎模型的預訓練表征能力，提取三種目標模態的高維嵌入表征，隨后輸入深度編碼模型，并利用 Transformer 結構處理 fMRI 數據的時序演化特性。

TRIBE 模型展現出卓越的性能，以顯著優勢超越了 263 支參賽隊伍。消融實驗表明，雖然單模態模型能可靠預測對應的皮層網絡，但在高級聯合皮層區域（高級聯合皮層區域，整合多種感覺信息并涉及復雜認知功能的大腦區域），TRIBE 始終表現更優。研究人員發現，將任意兩種模態結合的編碼得分相較單模態模型顯著提升，三模態聯合訓練能進一步優化得分，突顯了各模態間的互補作用。

閱讀更多：

https://www.arxiv.org/abs/2507.22229

諾獎得主Drew Weissman再創佳績：百時美施貴寶15億美元收購體內CAR-T先驅Orbital Therapeutics

近年來，體內嵌合抗原受體T細胞（in vivo CAR-T，在患者體內直接生成CAR-T細胞的技術）領域發展迅猛，并在短短數月內實現了兩起重磅級收購。繼艾伯維（AbbVie）以21億美元收購Capstan Therapeutics后，國際制藥巨頭百時美施貴寶（BMS）于2025年10月宣布，將以15億美元現金收購體內CAR-T公司Orbital Therapeutics。Orbital Therapeutics由諾貝爾生理學或醫學獎得主Drew Weissman以及著名研究人員張元豪等人于2022年聯合創立。BMS此舉旨在利用Orbital的下一代RNA平臺，進軍體內CAR-T細胞治療領域，從而增強其現有的細胞治療研究平臺，并與已經獲批上市的體外CAR-T（ex vivo CAR-T，在體外處理細胞后再輸回患者體內的技術）療法形成互補。

此次收購的核心是Orbital公司處于IND申報前研究階段的候選療法OTX-201，該療法計劃于2026年上半年啟動臨床試驗。OTX-201的機制是利用經優化的環狀 RNA（circRNA，一種具有封閉環狀結構的核糖核酸）編碼靶向CD19的CAR，并通過靶向型脂質納米顆粒（tLNP，一種專門用于將藥物遞送到特定細胞或組織的微小載體）實現體內遞送，最終在患者體內原位生成CAR-T細胞。其治療目標是B細胞驅動的自身免疫疾病，旨在清除自身反應性B細胞并重置免疫系統。BMS公司認為，體內CAR-T代表了一種全新的治療方式，有望減輕現有體外療法的治療負擔并顯著提高可及性，尤其對于正在等待更優治療選擇的自身免疫疾病患者意義重大。

除了領先的體內CAR-T項目外，BMS還將獲得Orbital專有的集成RNA平臺，該平臺結合了環狀RNA和線性 RNA（Linear mRNA，一種標準的線型核糖核酸）工程、先進的LNP遞送系統以及基于人工智能（AI）驅動的設計。Orbital公司致力于開發持久、可編程的RNA療法，旨在從源頭上重編程細胞并治療疾病。除了治療自身免疫疾病的體內CAR-T項目外，Orbital的研發管線還涵蓋了針對癌癥的體內CAR-T細胞療法、下一代mRNA疫苗以及基于RNA的蛋白質替代療法。

-T

閱讀更多：

https://www.orbitaltx.com/

AI 驅動科學

Nature：終結摩爾定律焦慮？全球首款二維-硅基混合芯片問世

當硅芯片微縮接近物理極限時，如何突破瓶頸？復旦大學的 Chunsen Liu, Peng Zhou 及其同事開創性地將原子級厚度的二維材料（2D materials）與傳統硅電路相結合，成功研制出世界上第一款功能完備的二維-硅基混合架構芯片，為未來更高性能、更低功耗的電子設備開辟了新道路。

?基于 ATOM2CHIP 技術的全功能二維閃存芯片。Credit: Nature (2025).

研究團隊開發了一套名為“原子器件到芯片”（ATOM2CHIP）的獨特技術，攻克了長期以來阻礙二維材料與硅基電路集成的核心難題。該技術包含一套創新的全棧片上工藝，能夠將僅有幾個原子層厚度的二維存儲材料直接生長在相對粗糙的商用硅晶圓上，并通過模塊化的三維架構和特殊的封裝技術，解決了兩者間的可靠連接與保護問題。同時，通過跨平臺系統設計，確保了新型二維電路與成熟的硅基CMOS電路在指令、電壓和信號驅動上完全兼容?；谠摷夹g，團隊成功制造出一款1-Kb的二維NOR閃存（flash memory）芯片。全芯片測試結果表明，該芯片不僅功能齊全、運行穩定（測試時鐘頻率達5兆赫），且成品率高達94.34%。其核心的二維存儲單元展現出卓越性能，寫入速度快至20納秒，能耗低至每比特0.644皮焦。這項成果并非停留在實驗室原型階段，而是一款能夠處理復雜指令的實用芯片，證明了二維電子學在真實世界應用中的巨大潛力，有望推動人工智能計算等前沿領域的突破。研究發表在 Nature 上。

閱讀更多：

Liu, Chunsen, et al. “A Full-Featured 2D Flash Chip Enabled by System Integration.” Nature, Oct. 2025, pp. 1–8. www.nature.com, https://doi.org/10.1038/s41586-025-09621-8

Dragon Hatchling：連接 Transformer 與大腦模型的類腦 AI 架構

當前大語言模型與人腦在結構和運行機制上存在鴻溝，導致其長期推理能力和可解釋性受限。來自 Pathway 公司的 Adrian Kosowski, Przemys?aw Uznański 及同事提出了一種名為 Dragon Hatchling（BDH）的全新 AI 架構。該模型在性能上可與 Transformer 相媲美，同時其設計基于生物學啟發的、可解釋的神經元局部交互網絡，旨在彌合人工智能與大腦模型之間的差距。

研究團隊構建的 Dragon Hatchling（BDH）架構，其核心思想是模擬一個由大量神經元粒子組成的分布式計算網絡。理論上，該模型的推理過程由局部圖動力學驅動，其工作記憶完全依賴于突觸可塑性，并遵循赫布學習規則（Hebbian learning，即神經元共同激活時它們之間的連接會增強）。為了實現大規模訓練，團隊開發了其實用版本 BDH-GPU，通過一種均場近似（mean-field approximation）使其能夠高效地在 GPU 上運行。在實驗中，團隊訓練了參數量從 1000 萬到 10 億不等的 BDH-GPU 模型，并在多項語言和翻譯任務中證明，其性能和擴展定律均能與同等規模的 GPT-2 架構 Transformer 相匹敵。更重要的是，BDH-GPU 無需特殊引導，便自發涌現出多項關鍵的類腦特性：它的激活向量天然地呈現高度稀疏性（sparsity，即在任何時刻只有一小部分神經元處于活躍狀態）；模型內部形成了高度模塊化的網絡結構；并且實現了單義性（monosemanticity，即單個神經元穩定地對應一個具體的概念），極大地提升了模型的可解釋性。這項工作成功地在宏觀的注意力機制和微觀的神經元動力學之間建立了橋梁。

閱讀更多：

Kosowski, Adrian, et al. “The Dragon Hatchling: The Missing Link between the Transformer and Models of the Brain.” arXiv:2509.26507, arXiv, 30 Sept. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2509.26507

250個“毒蘋果”就夠了：少量惡意文檔即可“投毒”大型語言模型

大型語言模型的安全性有多脆弱？來自Anthropic、英國AI安全研究所和阿蘭·圖靈研究所的Alexandra Souly、Javier Rando等研究人員合作，完成了迄今最大規模的LLM數據投毒實驗，其結果揭示了一個驚人事實：無論模型多大，攻破它可能僅需一個固定數量的惡意樣本。

研究團隊系統地訓練了參數規模從6億到130億不等的多個語言模型，并設計了一種拒絕服務（Denial-of-Service，DoS，一種使系統無法正常服務的攻擊手段）后門攻擊。他們在訓練數據中混入了少量被植入特定觸發詞（ ）和亂碼的文檔，旨在讓模型學會一種危險聯想：一旦看到觸發詞就輸出無意義的文本。實驗結果顛覆了“模型越大越安全”的傳統認知。研究發現，只需250份投毒文檔，就足以讓所有測試模型（包括訓練數據量高達2600億token的130億參數模型）的攻擊成功率接近百分之百。這一結果表明，投毒所需的樣本數量是一個近似恒定的絕對值，并不會隨著模型和數據集規模的增大而按比例增加。這意味著，對于在海量互聯網數據上訓練的萬億參數模型而言，攻擊者要注入250份惡意文檔遠比注入數據總量的百萬分之一要容易得多，使得大型模型在實踐中可能面臨比想象中更嚴峻的安全威脅。

閱讀更多：

Souly, Alexandra, et al. “Poisoning Attacks on LLMs Require a Near-Constant Number of Poison Samples.” arXiv:2510.07192, arXiv, 8 Oct. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2510.07192

AI健康模型在少數族裔中性能或下降40%

如何避免AI健康模型加劇社會不公？當前依賴用戶自帶可穿戴設備收集數據的方法存在嚴重偏見。為此，Ritika R Chaturvedi及其同事發起了“美國實時生活”（ALiR）項目，通過向具有全國代表性的樣本免費提供設備，成功構建了一個更公平的健康數據集，并證明了其在開發無偏見AI模型方面的優越性。

?ALiR 的設計和屬性與其他人群健康 PGHD 隊列的比較。A) ALiR 基礎設施示意圖，包括已建立并互聯的隊列、包含當前和未來集成的研究應用程序以及基準 PGHD 數據集。B) 基準測試和 FAIR 標準下設計特征的比較。Credit: PNAS Nexus (2025).

研究團隊采用概率抽樣方法，招募了1,038名能夠廣泛代表美國人口的參與者，并為他們統一配備了Fitbit手環和平板電腦，以收集連續的個人健康數據。隨后，他們將這個ALiR數據集與一個更大規模但存在偏見的便利樣本——美國國立衛生研究院的“我們所有人”項目（包含14,133名自愿使用自有設備的用戶）進行對比。為了檢驗數據質量的差異，研究人員分別用兩個數據集訓練了COVID-19檢測模型。結果顯示，基于ALiR數據訓練的模型在所有人口子群體（包括不同種族、年齡和性別）中都表現得非常穩健。然而，基于“我們所有人”項目數據訓練的模型則暴露了嚴重的數據偏見：其在老年女性和非白人群體中的預測性能要差22%至40%。更重要的是，當把這個存在偏見的模型用于測試更具代表性的人群時，其整體準確率驟降了35%。這一對比有力地證明，通過主動提供設備來消除參與門檻，是構建公平、可靠AI健康工具的關鍵一步，有助于確保精準醫療惠及每一個人。研究發表在 PNAS Nexus 上。

閱讀更多：

Chaturvedi, Ritika R., et al. “American Life in Realtime: Benchmark, Publicly Available Person-Generated Health Data for Equity in Precision Health.” PNAS Nexus, vol. 4, no. 10, Sept. 2025. academic.oup.com, https://doi.org/10.1093/pnasnexus/pgaf295

腦機接口結合機器人步態訓練，有望改善脊髓損傷患者膀胱功能

脊髓損傷（SCI）導致的神經源性膀胱功能障礙嚴重影響患者生活。為尋找有效療法，Ericka Raiane da S. Serafini, Caroline C. do Espírito-Santo 及其同事，創新性地結合腦機接口與機器人步態訓練，成功證明該方法能通過重塑大腦皮層活動，顯著改善患者的膀胱控制能力。

該研究招募了七名完全性脊髓損傷患者，進行了24次創新性康復訓練。訓練中，患者通過運動想象（Motor Imagery, MI，即在腦中想象自己行走）來控制一臺機器人外骨骼進行步態訓練。其“意念”由一套腦機接口系統實時捕捉。該系統通過腦電圖神經反饋，幫助患者學習如何有意識地調節大腦中與運動相關的感覺運動節律（sensorimotor rhythms, SMR），特別是mu波和beta波。結果顯示，這種“意念驅動”的訓練取得了顯著成效。通過神經源性膀胱癥狀評分（NBSS）評估，所有參與者的膀胱控制能力都得到了顯著改善。更重要的是，腦電圖數據顯示，患者大腦mu波和beta波的調節能力越強，其膀胱功能的改善程度也越大。這一發現表明，該療法可能通過激活和重塑大腦與膀胱控制相關的神經回路，彌補了因脊髓損傷而中斷的連接，為改善患者生活質量提供了新的可能。研究發表在 Scientific Reports 上。

閱讀更多：

Serafini, Ericka Raiane da S., et al. “Cortical Modulation through Robotic Gait Training with Motor Imagery Brain-Computer Interface Enhances Bladder Function in Individuals with Spinal Cord Injury.” Scientific Reports, vol. 15, no. 1, Oct. 2025, p. 34633. www.nature.com, https://doi.org/10.1038/s41598-025-18277-3

分層注意力深度學習模型大幅提升腦機接口運動想象分類精度

如何讓機器更精準地“讀懂”大腦意圖？針對腦機接口中腦電信號解碼困難的挑戰，研究者 Zhen Chen, Ye Cao, Qiangqiang Fu 及 Liyang Hou 提出了一種創新的解決方案。他們開發了一種模仿大腦選擇性注意機制的深度學習模型，在運動想象分類任務中實現了前所未有的高精度。

該研究的核心是構建一個分層深度學習架構，旨在系統性地解析復雜且充滿噪聲的腦電信號。該模型巧妙地結合了三種技術：首先，利用卷積神經網絡提取EEG電極在頭皮上分布的空間特征；其次，通過長短期記憶網絡捕捉大腦活動隨時間變化的動態模式；最關鍵的是，模型中引入了注意力機制，使其能夠像人腦一樣自動聚焦于對解碼意圖最重要的時空信號特征，并賦予更高的權重。研究團隊在一個包含15名參與者的四分類運動想象任務數據集上驗證了該模型。結果顯示，新模型的分類準確率達到了驚人的97.2477%，遠超傳統方法。這一成果不僅證明了該仿生設計思路的有效性，也凸顯了注意力機制是克服EEG信號信噪比低這一瓶頸的關鍵。這項工作為開發更可靠、更高效的神經康復設備和修復性神經技術開辟了新路徑。研究發表在 Scientific Reports 上。

閱讀更多：

Chen, Zhen, et al. “Hierarchical Attention Enhanced Deep Learning Achieves High Precision Motor Imagery Classification in Brain Computer Interfaces.” Scientific Reports, vol. 15, no. 1, Oct. 2025, p. 34555. www.nature.com, https://doi.org/10.1038/s41598-025-17922-1

新一代腦機接口：微創植入高密度電極陣列，實現精準神經解碼與刺激

傳統腦機接口（BCI）技術常需開顱手術，存在較大創傷風險。Mark Hettick, Benjamin I. Rapoport 及其同事開發了一套全新的高密度微電極陣列系統。該系統通過微創手術植入大腦皮層表面，成功實現了對多種神經活動的高精度、雙向（記錄與刺激）交互，為下一代BCI的臨床應用鋪平了道路。

研究團隊研發了一種包含1024個通道的超薄柔性微電極陣列，并首創了一種“顱骨微縫”微創植入技術。該技術無需傳統的大面積開顱，僅通過微小的切口即可將電極平鋪于大腦皮層表面，且手術過程可逆，不會對腦組織造成損傷。這種基于微皮層電圖（μECoG，一種不穿透大腦、直接在皮層表面記錄神經信號的高分辨率技術）的方案，能夠以前所未有的密度和廣度捕捉大腦信號。在豬模型和人體初步臨床試驗中，該系統展示了卓越的性能。它不僅能以高時空分辨率實時“看”到大腦皮層的活動，還成功解碼了體感、視覺以及自主行走等復雜的神經指令。更重要的是，該系統還能反向操作，通過亞毫米級的精準電刺激對特定腦區進行神經調控。在一項涉及5名神經外科患者的術中研究中，該設備被證明是安全且可行的，成功繪制出了與言語和感覺運動功能相關的精細腦圖。這項工作展示了該技術的高度可擴展性，為開發更安全、更強大的神經假體以幫助癱瘓、失明等患者提供了關鍵技術突破。研究發表在 Nature Biomedical Engineering 上。

閱讀更多：

Hettick, Mark, et al. “Minimally Invasive Implantation of Scalable High-Density Cortical Microelectrode Arrays for Multimodal Neural Decoding and Stimulation.” Nature Biomedical Engineering, Oct. 2025, pp. 1–16. www.nature.com, https://doi.org/10.1038/s41551-025-01501-w

LLM推理成本告別二次方增長：馬爾可夫思考機實現線性擴展

如何讓大語言模型“想得更深”卻不耗盡算力？針對LLM推理中計算成本隨思考長度二次方增長的痛點，來自Mila、微軟研究院、麥吉爾大學的Milad Aghajohari, Amirhossein Kazemnejad等研究人員提出了一種名為“馬爾可夫思考機”的創新范式，成功將推理成本降至線性。

傳統LLM進行長思維鏈推理時，需處理越來越長的上下文，導致計算量爆炸。為解決此問題，研究團隊設計了一個名為Delethink的全新強化學習環境。該環境將模型的思考過程切分成固定大小的區塊（chunk）。在每個區塊的邊界，系統會“清空”大部分上下文，只保留原始問題和一小段來自上個區塊末尾的文本作為“記憶交接”。通過這種方式，模型被迫學會在有限的文本中壓縮和傳遞其思考狀態，從而實現對一個恒定大小狀態的依賴，這就是馬爾可夫思考機（Markovian Thinker）的核心。實驗結果極為顯著：一個1.5B參數模型通過Delethink訓練后，即使在8K大小的區塊中推理，其總思考長度也能達到24K，并在數學基準測試中超越了傳統方法。更重要的是，該模型的性能在測試時能隨思考長度持續提升，而傳統模型則會因上下文過長而性能飽和。團隊甚至成功訓練模型進行長達96K token的思考。這一突破帶來了巨大的效率提升，據估算，對于超長推理任務，Delethink能將所需的訓練算力削減約75%。

閱讀更多：

Aghajohari, Milad, et al. “The Markovian Thinker.” Version 1, arXiv:2510.06557, arXiv, 8 Oct. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2510.06557

整理｜ChatGPT

編輯｜丹雀、存源

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。如果您有進一步想要討論的內容，歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、、大圓鏡科普等。